摘要 | 第4-5页 |
ABSTRACT | 第5页 |
创新点摘要 | 第6-9页 |
第一章 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9页 |
1.2 虚拟机安全状态及攻击类型分析 | 第9-11页 |
1.3 BP神经网络研究现状 | 第11-12页 |
1.3.1 BP神经网络简介 | 第11页 |
1.3.2 BP神经网络的应用 | 第11-12页 |
1.4 粒子群算法的研究现状 | 第12页 |
1.5 粒子群算法优化BP神经网络现状 | 第12页 |
1.6 论文结构及内容安排 | 第12-14页 |
第二章 PaaS平台虚拟机安全技术相关理论基础 | 第14-19页 |
2.1 引言 | 第14页 |
2.2 内核恶意程序 | 第14-15页 |
2.3 BP神经网络算法 | 第15-16页 |
2.3.1 基本概念 | 第15页 |
2.3.2 算法原理简介 | 第15-16页 |
2.4 粒子群优化算法 | 第16-17页 |
2.4.1 基本概念与原理 | 第16页 |
2.4.2 算法执行流程简介 | 第16-17页 |
2.5 PSO优化BP神经网络 | 第17-18页 |
2.6 本章小结 | 第18-19页 |
第三章 PaaS平台构建及虚拟机安全监测系统部署 | 第19-25页 |
3.1 平台企业需求与设计概述 | 第19页 |
3.2 油气生产物联网PaaS平台的实现 | 第19-22页 |
3.2.1 平台部署环境 | 第19-20页 |
3.2.2 PaaS平台部署方案 | 第20-21页 |
3.2.3 PaaS平台搭建 | 第21-22页 |
3.3 虚拟机安全监测系统部署 | 第22-23页 |
3.3.1 监测系统软件环境的配置 | 第22页 |
3.3.2 数据库及网络环境配置 | 第22-23页 |
3.3.3 DEA组件部署 | 第23页 |
3.4 平台性能测试 | 第23-24页 |
3.5 本章小结 | 第24-25页 |
第四章 油气生产物联网虚拟机监测模型的设计 | 第25-42页 |
4.1 引言 | 第25页 |
4.2 虚拟机监测模型组成与实施 | 第25-27页 |
4.2.1 监测模型的组成 | 第25-27页 |
4.2.2 实施环境 | 第27页 |
4.3 监测模型的原理与设计思想 | 第27-30页 |
4.3.1 搜索起始地址 | 第27-29页 |
4.3.2 标准值生成的原理 | 第29-30页 |
4.3.3 判断袭击发生的原理 | 第30页 |
4.3.4 指标数据获取过程 | 第30页 |
4.4 虚拟机监测系统的实现 | 第30-32页 |
4.5 虚拟机监测系统主要模块功能介绍 | 第32-35页 |
4.5.1 扫描隐藏文件功能介绍 | 第32-34页 |
4.5.2 实时监控模块介绍 | 第34-35页 |
4.6 自适应算法的研究 | 第35-36页 |
4.7 效果评估 | 第36-37页 |
4.7.1 虚拟机监测系统的监测效果评估 | 第36-37页 |
4.7.2 自适应算法应用效果评估 | 第37页 |
4.8 虚拟机监测系统其他模块实现原理简介 | 第37-38页 |
4.9 改进最近邻聚类算法的rootkit检测方法 | 第38-41页 |
4.9.1 改进策略概述 | 第38页 |
4.9.2 计算初始聚类中心 | 第38-39页 |
4.9.3 改进后的算法执行步骤 | 第39页 |
4.9.4 检测方法的原理 | 第39-40页 |
4.9.5 特征码的提取和检测方法概述 | 第40页 |
4.9.6 实验过程与结果 | 第40-41页 |
4.10 本章小结 | 第41-42页 |
第五章 油气生产物联网PaaS平台虚拟机状态预测算法研究 | 第42-54页 |
5.1 引言 | 第42页 |
5.2 状态预测算法的方案设计 | 第42-47页 |
5.2.1 状态预测算法的基本流程 | 第42页 |
5.2.2 粒子群优化算法的改进研究 | 第42-47页 |
5.2.3 改进的PSO与BP网络的融合 | 第47页 |
5.3 状态预测算法的实际应用 | 第47-53页 |
5.3.1 指标集的选取与构建 | 第47-49页 |
5.3.2 指标集样本数据预处理 | 第49-51页 |
5.3.3 预测算法的参数设置 | 第51页 |
5.3.4 预测结果及分析 | 第51-53页 |
5.4 本章小结 | 第53-54页 |
结论 | 第54-55页 |
参考文献 | 第55-59页 |
发表文章目录 | 第59-60页 |
致谢 | 第60-61页 |